Model Arima-Filter Kalman Untuk Prediksi Harga Komoditas Minyak Mentah

Peramalan terhadap harga komoditas minyak mentah dunia merupakan salah satu studi yang dilakukan untuk mengantisipasi harga periode mendatang dari komoditas minyak guna menjaga kestabilan ekonomi. Pada penelitian ini, digunakan Metode Autoregressive Integrated Moving Average (ARIMA) untuk merumuskan model peramalan harga komoditas minyak mentah. Setelah didapatkan model yang sesuai dilakukan pengestimasian terhadap parameter dan perbaikan error pada model ARIMA dengan Filter Kalman. Pada ARIMA didapatkan model yang sesuai yaitu ARIMA (0,1,[60]) dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 5,491. Model ramalan yang didapatkan dari ARIMA yang diestimasi parameternya menggunakan Filter Kalman menghasilkan nilai MAPE sebesar 1,2704. Untuk hasil perbaikan error pada model ARIMA didapatkan nilai MAPE yang lebih kecil pada polinomial derajat dua, sehingga dapat diketahui bahwa semakin tinggi polinomial derajatnya maka error yang dihasilkan juga akan semakin kecil. Hasil akhir menunjukkan bahwa model peramalan pada harga minyak terbaik adalah dari hasil perbaikan error menggunakan Filter Kalman yang memiliki nilai MAPE terkecil sehingga hasil ramalan lebih akurat dan mendekati aslinya. ==================================================================================================== Forecasting the crude oil commodity prices is the one of the studies undertaken to anticipate future period prices of oil commodities to maintaineconomic stability. In this study, Autoregressive Integrated Moving Average (ARIMA) is used to formulate models forecasting crude oil commodity prices. After obtaining an appropriate model, an estimation of parameters and errors of the ARIMA model with Kalman Filter is obtained. On ARIMA got the appropriate model that is 5,491 with MAPE, whereas parameter estimation result yield Mean Absolute Percentage Error (MAPE) value equal to 1,2704.For the result of error corection on ARIMA model got smaller MAPE value in polynomial of degree 2, so it can be seen that the higher polynomial degree, then the resulting error will also be smaller. The final result shows that forecasting for error estimation using Kalman Filter has the smallest MAPE value so it is so more accurate